复合泡沫塑料力学行为模拟的ANN方法

对人工神经网络(ANN)方法在复合泡沫塑料力学行为模拟中的应用进行了研究.首先,选取影响材料力学行为的因素和所需模拟、预测的力学性能作为输入、输出量;然后,利用反向传播算法建立了四层神经网络模型,对复合泡沫塑料的力学性能和本构关系进行了模拟和预测.数值结果表明,训练后的神经网络模型能较好地模拟、预测材料的模量、屈服强度和不同应变率及不同温度下的压缩应力-应变曲线.此外,3种不同改进训练方法的比较说明,Bayesian规则化法的泛化能力最好,LM法收敛最快,而自适应梯度下降动量法则需要较长的迭代时间才能达到相同的精度.      

利用人工神经网络仿真GPS误差信号

GPS（Global positioning system）是一种在军事和民用方面广泛应用的定位系统。如何降低成本，提高精度是一个重要的课题。本文应用人工神经网络能够实现高度非线性的特点，在对地理位置已知点进行大量GSP实际测量的基础上，设计出一种BP网络，作为GPS误差信号模拟器。在给出时间和天气情况的条件下，该模型器能够输出GPS的实时误差，为应用系统中对GPS误差进行补偿提供依据。通过与实际测试数据相比较，证明这种方法具有较好的模拟效果。     

压电阻抗技术在焊缝裂纹监测中的应用

采用多片压电元件(PZT)粘贴在焊接铝板结构表面,用阻抗分析仪测量PZT导纳信息,研究激励频率对PZT导纳值的影响以及不同位置PZT传感器对裂纹感知的灵敏性.构建人工神经网络,对焊缝结构的缺陷进行定位.实验结果表明:PZT传感器的导纳谱能灵敏地反映结构状态的微小变化;且不同位置PZT对裂纹感知的灵敏度不同;对于同一PZT,激励频率不同,其阻抗变化量不同;提取导纳信息中表征结构健康状况的特征量作为神经网络的输入向量,训练后的神经网络可以迅速并准确地实现焊缝结构损伤的监测和定位.     

石英晶振老化的建模与模型求解

为预测石英晶振的频率老化，提出了一种非线性时变模型。在一阶马尔可夫假设下，利用多层前向神经网络进行迭代逼近求解。对四种晶体的全部或部分实验数据进行了学习和预测试验。结果表明该模型不仅能拟合函数，而且可在存在野值时，根据以往的数据预测目前的频率。与其他线性模型相比，该模型的预测能力更佳，适用于多种类型的晶振老化模式，预测误差小，有很好的抗噪声能力。     

人工神经网络在板料拉深成形中的应用研究

在反向传播网络的基础上提出了一个圆筒件拉深成形的辅助工艺设计方案,对BP网络在拉深工艺中的应用进行了尝试。结果表明:该方法与传统的设计方法相比,计算工作量较少,可靠性好。     

基于人工神经网络电火花微细加工的参数选择

简述了将人工神经网络技术用于混粉电火花加工参数的选择,根据对象编出支持系统,为用户提供合理可靠的混粉电火花加工方案。     

High Temperature Flow Stress Prediction of Nano-Al2O3/Cu Composite Using an Artificial Neural Network

Alumina dispersion strengthened copper composite （nano-Al2O3/Cu composite） was recently emerged as a kind of potentially viable and attractive engineering material for applications requiring high strength, high thermal and electrical conductivities and resistance to softening at elevated temperatures. The nano-Al2O3/Cu composite was produced by internal oxidation. The microstructures of the composite were analyzed by the TEM and its hot deformation behavior was investigated by means of continuous compression tests performed on a Gleeble 1500 thermo-simulator. Making use of the modified algorithm-Levenberg-Marquardt （L-M） algorithm BP neural network, a model for predicting the flow stresses during hot deformation was set up on the base of the experimental data. Results show that the microstructures of the composite are characterized by uniform distribution of nano-Al2O3 particles in Cu-matrix. The sliding of dislocations is the main deformation mechanism. The dynamic recovery is the main softening mode with the flow stress decreasing gently from 500℃ to 850 ~C. The recrystallization of Cu-matrix can be retarded late into as high as 850 ℃, when it happens only partially. The well-trained BP neural network model can accurately describe the influence of the temperature, strain rate, and true strain on the flow stresses, therefore, it can precisely predict the flow stresses of the composite under given deforming conditions and provide a new way to optimize hot deforming process parameters.     

体积成形过程的模型跟随自适应控制

为控制热锻的生产过程和锻件的产品质量 ,应用体积成形过程的有限元数值仿真离线训练人工神经网络 (ANN) ,采用电学模拟方法 ,通过简单的模拟电路构造出复杂的ANN模型 ,完成了从体积成形过程到模拟电路之间的映射。模拟电路与自适应控制系统并联 ,构成了模型跟踪的自适应控制系统     

人工神经网络在复合材料研究中的应用

人工神经网络技术广泛应用于复杂系统的建模中,已成为材料科学研究中常用的建模方法;介绍了BP神经网络及其建模的重要特征,综述了神经网络在复合材料性能预测、工艺设计与优化、损伤预测与检测等方面的研究情况.     

利用Gaussian型RBF网络进行函数逼近的构造性估计

前馈人工神经网络有着极其广泛的应用，如何估计隐层神经元数及相应的逼近误差，一直是确定前馈网络结构的难点和关键。RBF网络是一种最重要的前馈网络，本文给出了利用Gaussian型RBF网络逼近连续函数或Lebesgue-可积函数时的构造性隐层单元数显式估算式及相应的显式逼近误差估算式。文中的结论也易于推广到离散样本的情形。这些结论对于提高Guassian型RBF在实际应用时的计算精度和减少计算量具有一定的指导意义。